📊 statistics

Balance and Fairness through Multicalibration in Nonlife Insurance Pricing

Dit artikel onderzoekt de eigenschappen van multicalibratie als een concept dat autocalibratie en eerlijkheid in de niet-levensverzekeringen combineert, en stelt praktische implementatiemethoden voor die worden geïllustreerd aan de hand van een casestudie met motorverzekeringsdata.

Oorspronkelijke auteurs: Michel Denuit, Marie Michaelides, Julien Trufin

Gepubliceerd 2026-03-18

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Michel Denuit, Marie Michaelides, Julien Trufin

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Balans en Rechtvaardigheid: Hoe Verzekeringsmaatschappijen eerlijker kunnen tariferen

Stel je voor dat een verzekeringsmaatschappij als een gigantisch buffet is. Iedereen betaalt een vast bedrag om aan tafel te zitten. De maatschappij moet zorgen dat het geld dat ze binnenkrijgt, precies genoeg is om alle schadeclaims (de "maaltijden" die ze moeten betalen) te dekken.

In de wereld van verzekeringen noemen we dit financiële evenwicht. Maar er is een probleem: moderne computersystemen (zoals kunstmatige intelligentie) zijn soms zo slim dat ze heel precies kunnen voorspellen wie veel schade zal maken en wie niet. Het probleem is dat deze slimme systemen soms "te slim" zijn. Ze kunnen groepen mensen die eigenlijk hetzelfde risico lopen, toch verschillende prijzen geven, of ze kunnen groepen mensen die veel schade maken, te weinig laten betalen.

Dit artikel, geschreven door drie experts uit België en het VK, introduceert een nieuwe manier om verzekeringen te prijzen die twee dingen tegelijk oplost: balans en eerlijkheid.

Hier is de uitleg in simpele taal, met een paar creatieve vergelijkingen.

1. Het Probleem: De "Verkeerde Maat"

Stel je voor dat je een kledingwinkel hebt. Je wilt dat iedereen een jas koopt die perfect past.

Autocalibratie (De Basis): Dit betekent dat als je een groep mensen met dezelfde jasmaat (bijvoorbeeld "M") bij elkaar zet, de totale kosten voor het maken van die jassen precies gelijk moeten zijn aan de totale prijs die ze hebben betaald. Als de mensen in maat "M" gemiddeld te veel betalen, is dat oneerlijk voor hen. Als ze te weinig betalen, is dat oneerlijk voor de winkel.
Het Nieuwe Probleem: Stel nu dat je een gevoelige eigenschap hebt, zoals "geslacht" of "gezondheid". In de EU mag je bijvoorbeeld niet op basis van geslacht een hogere prijs vragen. Maar wat als je andere factoren gebruikt (zoals het vermogen van de auto) die toevallig sterk correleren met geslacht? Dan vraag je indirect nog steeds een hogere prijs aan mannen dan aan vrouwen, zelfs als je dat niet expliciet doet. Dit heet indirecte discriminatie.

2. De Oplossing: Multikalibratie (De "Geregelde Tafel")

De auteurs noemen hun oplossing Multikalibratie. Laten we dit uitleggen met een vergelijking van een groot diner.

Stel je voor dat je een groot diner organiseert voor 1000 gasten.

De oude manier: Je verdeelt de gasten in groepen op basis van wat ze eten (bijv. "vleeseters" en "vegetariërs"). Je zorgt dat de vleeseters gemiddeld genoeg betalen voor hun vlees. Maar binnen de groep "vleeseters" zijn er misschien subgroepen: "jonge vleeseters" en "oude vleeseters". Als de jonge vleeseters gemiddeld veel minder eten dan de oude, maar ze betalen hetzelfde, is dat niet eerlijk.
Multikalibratie: Dit is de regel dat je niet alleen zorgt dat de hele groep "vleeseters" in balans is, maar dat elke subgroep (jonge vleeseters, oude vleeseters, etc.) ook in balans is.
- Als je een groep mensen hebt die allemaal hetzelfde bedrag betalen (bijv. €500), en binnen die groep zijn er mensen met een bepaalde gevoelige eigenschap (bijv. "migrantenachtergrond" of "gehandicapt"), dan moet het gemiddelde aantal schadeclaims van die specifieke subgroep ook precies €500 zijn.
- Kortom: Als je hetzelfde betaalt, moet je ook precies hetzelfde "terugkrijgen" in de vorm van dekking, ongeacht wie je bent of waar je vandaan komt.

3. Hoe werkt dit in de praktijk? (De "Korrelige Regelaar")

Computers zijn niet altijd perfect. Soms voorspellen ze een prijs die net iets te hoog of te laag is. De auteurs stellen een methode voor om dit te corrigeren, alsof je een korrelige radio afstemt tot het beeld scherp is.

Ze gebruiken twee slimme technieken:

Groeps-gewijs aanpassen:
Stel je voor dat je een grote bak met appels hebt. Je wilt dat elke bak appels (gebaseerd op prijs) evenveel gewicht heeft. Maar je merkt dat als je kijkt naar de "rode appels" binnen die bak, ze lichter zijn dan de "groene appels".
De methode kijkt naar elke kleine groep (bijv. "rode appels in bak 5") en past de prijs daarvoor een beetje aan, zodat de balans weer klopt. Ze doen dit niet zomaar, maar met een credibiliteits-factor.
- De Analogie: Als je maar 2 appels hebt in een groep, luister je niet te hard naar die 2 appels (want ze kunnen toevallig zijn). Je luistert meer naar de hele bak appels. Als je 1000 appels hebt, luister je wel heel hard naar die specifieke groep. Dit voorkomt dat je de prijzen te veel laat schommelen door toeval.
Iteratief Bijsturen (Het "Trapsgewijs" proces):
In plaats van alles in één keer te doen, doen ze het stap voor stap. Ze kijken naar de fouten, passen de prijs een klein beetje aan, kijken opnieuw, en passen weer aan. Dit is als het scherpstellen van een camera: je draait een beetje, kijkt, draait nog een beetje, tot het beeld perfect is.

4. Waarom is dit belangrijk?

Voor de verzekeraar: Het voorkomt dat ze geld verliezen door onjuiste voorspellingen. Het maakt hun prijzen "eerlijk" en dus minder vatbaar voor rechtszaken of boetes.
Voor de klant: Het zorgt dat je niet wordt benadeeld omdat je tot een bepaalde groep behoort (bijvoorbeeld mensen met een handicap of een specifieke achtergrond), zelfs als de computer dat niet direct ziet.
Voor de maatschappij: Het bouwt vertrouwen op. Mensen voelen zich eerlijk behandeld.

Conclusie

Dit artikel zegt eigenlijk: "Laten we stoppen met het gokken met prijzen."
Met Multikalibratie zorgen verzekeraars ervoor dat elke groep mensen die hetzelfde betaalt, ook precies hetzelfde risico dekt. Het is alsof je een weegschaal hebt die niet alleen het totale gewicht controleert, maar ook elke individuele schaal binnen de weegschaal.

Het mooie nieuws is dat dit niet alleen eerlijker is, maar dat de prijzen ook beter worden. De computers worden slimmer door deze extra controle, waardoor ze minder fouten maken en de verzekeraar minder risico loopt. Het is een win-win situatie voor iedereen aan tafel.

1. Probleemstelling en Motivatie

Het artikel adresseert twee fundamentele uitdagingen in de tariferingspraktijk van niet-levensverzekeringen (nonlife insurance):

Financiële Evenwichtigheid (Autocalibratie): Traditionele machine learning-modellen (zoals boosted regression trees of neurale netwerken) produceren vaak premies die niet in evenwicht zijn met de werkelijke schadekosten binnen subgroepen. Hoewel een model op portefeuille-niveau in balans kan zijn, kan het leiden tot subsidiatie tussen groepen die dezelfde premie betalen. Autocalibratie is de eigenschap waarbij de verwachte schade binnen een groep policyholders die dezelfde premie betalen, exact gelijk is aan die premie ( $E[Y|\pi(X)=p] = p$ ).
Fairness (Billijkheid): Er is een groeiende druk op verzekeraars om discriminatie te vermijden. In de EU is geslachtsdiscriminatie bijvoorbeeld verboden. Hoewel directe discriminatie (het gebruik van een verboden variabele) vaak wordt vermeden, kan indirecte discriminatie optreden via proxy-variabelen die correleren met de gevoelige variabele.
- Het artikel focust op het geval waar een gevoelige variabele $S$ (bijv. gezondheid, handicap, of een proxy voor geslacht) wettelijk toegestaan is om te gebruiken, maar waar de verzekeraar moet kunnen aantonen dat het gebruik ervan eerlijk is.
- De auteurs kiezen voor het concept van sufficiency (in de zin van conditional mean independence): gegeven de premie, moet de verwachte schade onafhankelijk zijn van de gevoelige variabele. Dit betekent dat twee groepen die dezelfde premie betalen, ook dezelfde verwachte uitkering moeten hebben, ongeacht hun gevoelige kenmerk.

Het centrale probleem is hoe men autocalibratie (financiële balans) en fairness (geen systematische bias tussen groepen) kan combineren.

2. Methodologie en Kernconcepten

De auteurs introduceren en ontwikkelen het concept van Multicalibratie als de synthese van deze twee eisen.

2.1 Definitie van Multicalibratie

Een premie $\pi(X)$ is multicalibrated met betrekking tot een gevoelige variabele $S$ als:
$E[Y | \pi(X) = p, S = s] = p \quad \text{voor alle } p \text{ en } s.$
Dit impliceert dat de premie niet alleen autocalibrated is op portefeuille-niveau, maar ook binnen elke subgroep gedefinieerd door de combinatie van premie-niveau en de gevoelige variabele.

2.2 Theoretische Eigenschappen

Versterking van Autocalibratie: Elke multicalibrated premie is automatisch ook autocalibrated.
Convex Order en Overfitting: Multicalibrated premies voldoen aan de convex order relatie $\pi(X) \preceq_{cx} \mu(X) \preceq_{cx} Y$ . Dit betekent dat multicalibrated premies minder variabel zijn dan de ware pure premie en de werkelijke schade, wat overfitting voorkomt.
Bregman Loss: Multicalibrated predictors minimaliseren de Bregman-verliesfunctie (waaronder deviance) beter dan niet-multicalibrated kandidaten.

2.3 Implementatie: Multibalance Correctie

Om een bestaande kandidaat-premie $\pi(X)$ om te vormen naar een multicalibrated versie, stellen de auteurs de Multibalance Correctie voor:
$\pi_{mbc}(X) = E[Y | \pi(X), S]$
Dit is een uitbreiding van de bestaande "balance correction" ( $\pi_{bc}(X) = E[Y | \pi(X)]$ ) die nu conditioneel is op $S$ .

De paper presenteert twee praktische benaderingen om dit te implementeren, afhankelijk van het type gevoelige variabele:

A. Categorieke Gevoelige Variabele (bijv. leeftijdsgroepen)

Directe Empirische Correctie (Isotone Regressie): Voor elke categorie $s$ van $S$ , wordt een niet-parametrische regressie (bijv. isotone regressie) uitgevoerd om $E[Y|\pi(X), S=s]$ te schatten. Dit resulteert in stapfuncties die de balans herstellen binnen elke groep.
Iteratieve Bias Correctie met Credibility: Een iteratief algoritme dat de premie aanpast op basis van residuen binnen "bins" van de premie en de groep $S$ $S$ .
- Regularisatie: Om instabiliteit bij kleine steekproefgroottes te voorkomen, wordt gebruikgemaakt van credibility weights (vergelijkbaar met Bühlmann-Straub). De correctie voor een specifieke groep wordt "geshrinkt" naar het globale bin-gemiddelde als de blootstelling (exposure) laag is.
- Het proces herhaalt zich totdat de residuen binnen elke $(premie, groep)$-cel verwaarloosbaar zijn.

B. Continue Gevoelige Variabele (bijv. exacte leeftijd)

Bivariate Local GLM: Schatting van het oppervlak $E[Y | \pi(X)=p, S=s]$ via lokale GLM's (Generalized Linear Models) in het gezamenlijke ruimte van premie en $S$ .
Iteratieve Correctie met Shrinkage: Een vergelijkbaar iteratief proces als bij de categorische variant, maar dan met continue smoothing (local regression) en credibility weights gebaseerd op lokale dichtheid in de $(\pi, S)$ -ruimte. Een "centering step" zorgt ervoor dat de marginale autocalibratie behouden blijft.

3. Resultaten (Case Study)

De methoden werden getest op een Frans dataset voor motorverzekeringen (freMTPL2freq) met 677.991 polissen. De gevoelige variabele was de leeftijd van het voertuig (VehAge), eerst als categorieke variabele (3 bins) en later als continue variabele.

Baseline: Een standaard Poisson GAM model toonde duidelijke miscalibratie: systematische onder- of overtariferen binnen specifieke premie-niveaus en voertuigleeftijdsgroepen.
Autocalibratie alleen: Het corrigeren voor globale autocalibratie elimineerde de trend over de hele portefeuille, maar liet significante bias over tussen de verschillende voertuigleeftijdsgroepen binnen dezelfde premieklasse.
Multicalibratie:
- Zowel de iteratieve methode als de directe multibalance correctie (via isotone regressie of lokale GLM) slaagden erin de residuen binnen elke groep te neutraliseren.
- Deviance (Poisson): De multicalibrated modellen hadden de laagste deviance (beste voorspellende nauwkeurigheid) vergeleken met de baseline en zelfs ten opzichte van modellen die enkel autocalibrated waren. Dit is een belangrijk inzicht: het afdwingen van fairness (multicalibratie) verbeterde hier de statistische nauwkeurigheid in plaats van deze te verslechteren.
- Gini Coëfficiënt: Alle gecalibreerde modellen verbeterden de discriminatiekracht ten opzichte van de baseline. De Gini-waarden waren vergelijkbaar, met lichte variaties tussen de methoden.

4. Belangrijkste Bijdragen

Conceptuele Synthese: Het artikel verbindt het actuariële concept van autocalibratie met het machine learning concept van fairness (sufficiency) via multicalibratie.
Praktische Implementatie: Het biedt concrete, reproduceerbare algoritmen (iteratieve bias correctie met credibility shrinkage) om multicalibratie te bereiken, zowel voor categorische als continue gevoelige variabelen.
Prestatieverbetering: Het weerlegt de veelvoorkomende aanname dat fairness noodzakelijkerwijs ten koste gaat van de nauwkeurigheid. In dit geval leidde het afdwingen van multicalibratie tot een betere fit (lagere deviance) dan de oorspronkelijke modellen.
Regulatorische Relevantie: Het biedt verzekeraars een wiskundig onderbouwde manier om te demonstreren dat hun tarieven eerlijk zijn ten opzichte van gevoelige kenmerken, zelfs als deze kenmerken wettelijk toegestaan zijn om te gebruiken.

5. Conclusie en Significance

De paper concludeert dat multicalibratie een krachtig hulpmiddel is voor moderne verzekeraars. Het lost het conflict op tussen financiële balans en ethische fairnesseisen. Door de premie zo te kalibreren dat de verwachte schade binnen elke subgroep (gedefinieerd door premie en gevoelige variabele) gelijk is aan de premie, wordt zowel het risico van subsidiatie (adverse selection) als het risico van onrechtvaardige behandeling geminimaliseerd.

De voorgestelde methoden, met name de iteratieve benadering met exposure-driven shrinkage, zijn robuust genoeg om in de praktijk te worden ingezet, zelfs bij beperkte data in specifieke subgroepen. De resultaten suggereren dat het integreren van fairness-criteria in het tariferingsproces niet alleen een ethische noodzaak is, maar ook leidt tot statistisch superieure modellen.